Diagnostisen tarkkuuden parantaminen murtumien tunnistamisessa tuki- ja liikuntaelimistön röntgenkuvissa syväoppimisen avulla: monen lukijan retrospektiivinen tutkimus
maanantai 16. maaliskuuta 2026 päivittänyt: Carebot s.r.o.
Tämän retrospektiivisen tutkimuksen tavoitteena on arvioida tekoälyn (AI) tehokkuutta murtumien tunnistamisessa tuki- ja liikuntaelimistön röntgensäteillä.
Vertaamalla syväoppivan tekoälymallin suorituskykyä kokeneiden radiologien suorituskykyyn pyrimme ymmärtämään, kuinka tekoäly voi auttaa parantamaan murtumien havaitsemisen tarkkuutta kliinisissä olosuhteissa.
Tutkimuksessa analysoitiin 600 röntgenkuvaa sekä lapsi- että aikuispotilailta keskittyen murtumien tunnistamiseen eri kehon osissa, mukaan lukien jalka, nilkka, polvi, käsi, ranteet ja muut.
Löydökset osoittavat, että tekoälyn integroiminen voi lisätä radiologien herkkyyttä murtumien havaitsemisessa, mikä saattaa parantaa potilaiden tuloksia vähentämällä menetettyjen vammojen määrää.
Tutkimuksen yleiskatsaus
Tila
Valmis
Interventio / Hoito
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
600
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Moravskoslezský kraj
-
Frýdek-Místek, Moravskoslezský kraj, Tšekki, 73801
- Nemocnice ve Frýdku-Místku, p.o.
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Tutkimus sisältää retrospektiivisen kohortin lapsi- ja aikuispotilaista, joille tehtiin tuki- ja liikuntaelinten röntgenkuvat 20. maaliskuuta ja 8. toukokuuta 2023 välisenä aikana yhden keskuksen sairaalassa.
Kuvaus
Sisällön kriteerit:
- 1-vuotiaat tai sitä vanhemmat potilaat.
- Tuki- ja liikuntaelinten röntgenkuvat saatavilla Digital Imaging and Communications in Medicine (DICOM) -muodossa.
- Ainakin yksi digitaalinen tavallinen röntgenkuva appendikulaarisesta kehon osasta, mukaan lukien jalka, nilkka, polvi, käsi, ranne, kyynärpää, olkapää tai lantio.
Poissulkemiskriteerit:
- Huono radiografinen laatu, joka estää ihmisen tulkinnan.
- Lanne-, rinta- ja kaularangan tai kasvojen/nenän luiden röntgenkuvat.
- Röntgenkuvat, jotka eivät täytä appendikulaaristen ruumiinosien sisällyttämiskriteerejä.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Röntgenkuvat analysoidaan tekoälyn ja radiologin katsauksen avulla
Tämä kohortti koostuu 600 röntgenkuvasta, jotka on kerätty 1–99-vuotiailta lapsi- ja aikuispotilailta, joille tehtiin röntgenkuvaus tuki- ja liikuntaelinsairauksien varalta.
Röntgenkuvat sisältävät erilaisia kehon osia, kuten jalka, nilkka, polvi, käsi, ranne, kyynärpää, olkapää ja lantio.
Murtumia oli 95 tapauksessa, kun taas 453 tapauksessa ei ollut murtumia.
|
Syväoppimiseen perustuvan tekoälyohjelmiston Carebot AI Bones versio 1.2.2 käyttö, joka on suunniteltu auttamaan murtumien havaitsemisessa tuki- ja liikuntaelinten röntgenkuvissa.
Tekoälymalli analysoi digitaalisia röntgenkuvia murtumien tunnistamiseksi ja korostaa kiinnostavia alueita rajauslaatikoilla.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tekoälymallin herkkyys verrattuna radiologeihin murtumien havaitsemisessa tuki- ja liikuntaelinten röntgensäteillä
Aikaikkuna: Maaliskuusta 2023 toukokuuhun 2023 (taannehtiva analyysijakso)
|
Tämä tulos mittaa tekoälymallin (Carebot AI Bones 1.2.2) herkkyyttä murtumien havaitsemisessa tuki- ja liikuntaelinten röntgenkuvissa verrattuna eri kokemuksen omaavien radiologien herkkyyteen.
Herkkyys lasketaan tekoälymallin ja radiologien tunnistamien todellisten positiivisten murtumatapausten osuudena kaikista vahvistetuista murtumatapauksista.
|
Maaliskuusta 2023 toukokuuhun 2023 (taannehtiva analyysijakso)
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Maanantai 20. maaliskuuta 2023
Ensisijainen valmistuminen (Todellinen)
Maanantai 15. heinäkuuta 2024
Opintojen valmistuminen (Todellinen)
Maanantai 15. heinäkuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Maanantai 14. lokakuuta 2024
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Maanantai 14. lokakuuta 2024
Ensimmäinen Lähetetty (Todellinen)
Keskiviikko 16. lokakuuta 2024
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Keskiviikko 18. maaliskuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Maanantai 16. maaliskuuta 2026
Viimeksi vahvistettu
Sunnuntai 1. maaliskuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- CB-BONES-01-FM
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
EI
IPD-suunnitelman kuvaus
Yksityisyyssyistä ja tutkimuksen takautuvasta luonteesta johtuen yksittäisten osallistujien tietoja (IPD) ei jaeta.
Kerätyt tiedot sisältävät arkaluontoisia lääketieteellisiä tietoja, jotka on suojattu luottamuksellisuussopimuksilla ja GDPR-säännöksillä.
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .